📊 statistics

Learning the Distribution Map in Reverse Causal Performative Prediction

एजेंट व्यवहार के सूक्ष्म आर्थिक मॉडलों से प्रेरित, यह शोध पत्र परफॉर्मेटिव प्रेडिक्शन परिदृश्यों में डिस्ट्रीब्यूशन शिफ्ट मैप्स को सीखने के लिए एक नवीन रिवर्स कॉज़ल फ्रेमवर्क प्रस्तावित करता है, जो यह मॉडल करके प्रेडिक्शन रिस्क को न्यूनतम करने में सक्षम बनाता है कि प्रेडिक्टिव मॉडल एजेंटों के कार्यों को कैसे प्रभावित करते हैं।

मूल लेखक: Daniele Bracale, Subha Maity, Moulinath Banerjee, Yuekai Sun

प्रकाशित 2026-07-28

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Daniele Bracale, Subha Maity, Moulinath Banerjee, Yuekai Sun

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

भविष्य की भविष्यवाणी करने का महान खेल (और लोग कैसे धोखाधड़ी करते हैं)

कल्पना कीजिए कि आप एक मौसम विज्ञानी हैं। हर सुबह, आप भविष्यवाणी करते हैं कि क्या बारिश होगी। यदि आप कहते हैं "धूप निकलेगी," तो लोग समुद्र तट पर जाते हैं; यदि आप कहते हैं "बारिश," तो वे घर पर रहते हैं। अब तक, सब ठीक है। लेकिन अब, एक ऐसी दुनिया की कल्पना करें जहाँ आपकी भविष्यवाणी वास्तव में मौसम को बदल देती है। यदि आप बारिश की भविष्यवाणी करते हैं, तो बादल घबरा जाते हैं और आपको सही साबित करने के लिए ही बरसने लगते हैं। यह परफॉर्मेटिव प्रेडिक्शन (performative prediction) की अजीब और पेचीदा दुनिया है। विज्ञान के इस कोने में, भविष्यवाणी करने वाला व्यक्ति केवल एक फिल्म नहीं देख रहा है; वह पटकथा लिख रहा है।

यहाँ मुख्य विचार यह है कि जब कोई मॉडल (जैसे कि कोई कंप्यूटर प्रोग्राम जो यह तय करता है कि किसे ऋण या नौकरी मिले) निर्णय लेता है, तो जिन लोगों का मूल्यांकन किया जा रहा है, वे केवल चुपचाप बैठे नहीं रहते। वे प्रतिक्रिया देते हैं। वे बेहतर दिखने के लिए अपना व्यवहार बदल सकते हैं, या जो उन्हें लगता है कि कंप्यूटर चाहता है, उसके अनुसार बुरा दिखने के लिए भी बदल सकते हैं। यह एक चलते-फिरते लक्ष्य जैसा है। यदि कंप्यूटर सीख जाता है कि लोग नौकरी पाने के लिए अपने बायोडाटा (resumes) में हेरफेर कर रहे हैं, तो यह अपने नियम बदल सकता है, जिससे लोग फिर से अपने बायोडाटा बदलना शुरू कर देते हैं। यह "रॉक, पेपर, सिज़र्स" का एक अंतहीन खेल है जहाँ नियम लगातार बदलते रहते हैं। वैज्ञानिकों के लिए बड़ा सवाल यह है: आप एक स्मार्ट सिस्टम कैसे बनाते हैं जब खिलाड़ी आपको मात देने की लगातार कोशिश कर रहे हों?

शोध पत्र का बड़ा विचार: खेल के मन को पढ़ना

यह शोध पत्र, जिसका शीर्षक "लर्निंग द डिस्ट्रीब्यूशन मैप इन रिवर्स कॉज़ल परफॉर्मेटिव प्रेडिक्शन" (Learning the Distribution Map in Reverse Causal Performative Prediction) है, ठीक इसी पहेली को सुलझाता है। लेखक, डेनिएल ब्राकेल, सुभा मैइटी, यूकाई सन और मोलिनाथ बनर्जी, इस बात को समझने का एक चतुर नया तरीका प्रस्तावित करते हैं कि लोग एक भविष्यवाणी मॉडल के जवाब में अपना व्यवहार कैसे बदलते हैं। अनुमान लगाने या अराजकता के शांत होने का इंतजार करने के बजाय, वे एक ऐसी विधि का सुझाव देते हैं जिससे यह मानचित्र बनाया जा सके कि खेल शुरू होने से पहले ही "खिलाड़ी" कैसे आगे बढ़ेंगे।

इसे एक कोच की तरह समझें जो यह अनुमान लगाने की कोशिश कर रहा है कि एक टीम विशिष्ट प्रतिद्वंद्वी के खिलाफ कैसे खेलेगी। आमतौर पर, कोच पिछले मैचों को देखता है। लेकिन इस शोध पत्र में, लेखक तर्क देते हैं कि खिलाड़ी केवल प्रतिक्रिया नहीं दे रहे हैं; वे एक छिपे हुए "लागत-लाभ" (cost-benefit) विश्लेषण के आधार पर गणना किए गए कदम उठा रहे हैं। वे पूछते हैं: "यदि मैं X करता हूँ, तो क्या मुझे इनाम मिलेगा? X करने में कितनी मेहनत लगेगी?" लेखक रिवर्स कॉज़ल परफॉर्मेटिव प्रेडिक्शन नामक एक ढांचा पेश करते हैं। एक सामान्य कारण-और-प्रभाव की कहानी में, मौसम लोगों को छाता ले जाने के लिए प्रेरित करता है। इस "रिवर्स" कहानी में, बारिश की भविसेनी लोगों को छाता ले जाने के लिए मजबूर करती है, जो बाद में मॉडल द्वारा देखे जाने वाले डेटा को बदल देती है।

शोध पत्र की मुख्य खोज एक गणितीय "माइक्रोफाउंडेशन" (microfoundation) मॉडल है। यह एक फैंसी तरीका है यह कहने का कि उन्होंने एक छोटा, तार्किक इंजन बनाया है जो यह समझाता है कि लोग इस तरह व्यवहार क्यों करते हैं। वे मानते हैं कि प्रत्येक व्यक्ति की एक गुप्त "लागत" (जैसे परीक्षा के लिए अध्ययन करने का प्रयास या क्रेडिट स्कोर ठीक करने के लिए पैसा) और एक "लाभ" (जैसे नौकरी मिलना) होती है। व्यक्ति उस कार्य को चुनता है जो उसे सबसे अच्छा सौदा देता है। मोड़ यह है? शोध पत्र सुझाव देता है कि ये "लागतें" सभी के लिए एक समान नहीं हैं; वे यादृच्छिक (random) हैं। एक व्यक्ति के लिए पढ़ाई करना आसान हो सकता है, जबकि दूसरे के लिए यह एक दुःस्वप्न हो सकता है। इन लागतों को यादृच्छिक चर (random variables) के रूपas मानकर, लेखक दिखाते हैं कि उनका मॉडल किसी भी प्रकार के व्यवहार की व्याख्या कर सकता है, भले ही लोग पूरी तरह से रणनीतिक जीनियस न हों।

उन्होंने पहेली को कैसे सुलझाया

अपने विचार को सिद्ध करने के लिए, लेखकों ने केवल समीकरण नहीं लिखे; उन्होंने इस छिपे हुए मानचित्र को सीखने की एक चरण-दर-चरण रेसिपी बनाई।

माइक्रोफाउंडेशन: वे इस विचार से शुरू करते हैं कि लोग अपनी खुशी (उपयोगिता/utility) को घटाकर अपने प्रयास (लागत) को अधिकतम करने के लिए कार्य करते हैं। उन्होंने महसूस किया कि "लागत" (जैसे कि कोई व्यक्ति उस दिन कितना थका हुआ या प्रेरित महसूस कर रहा है) में थोड़ी सी यादृच्छिकता जोड़ने से, उनका मॉडल अविश्वसनीय रूप से लचीला हो जाता है। यह लगभग किसी भी तरीके से लोगों की प्रतिक्रिया का वर्णन कर सकता है, चाहे वे अत्यधिक बुद्धिमान रणनीतिकार हों या बस एक बुरा दिन बिता रहे आम लोग।
लर्निंग एल्गोरिदम: शोध पत्र इस छिपे हुए मानचित्र को बिना यह जाने सीखने का एक तरीका प्रस्तावित करता है कि प्रत्येक व्यक्ति की गुप्त लागत क्या है। कल्पना कीजिए कि आप एक शिक्षक हैं जो यह जानने की कोशिश कर रहे हैं कि आपके छात्रों के लिए एक परीक्षा कितनी कठिन है। आप उन्हें कुछ अभ्यास परीक्षण (अलग-अलग मॉडल) देते हैं और देखते हैं कि कितने छात्र पास या फेल होते हैं। लेखक दिखाते हैं कि इन प्रतिक्रियाओं को देखकर, आप उन छिपी हुई लागतों के वितरण का अनुमान लगाने के लिए आइसोटोनिक रिग्रेशन (Isotonic Regression - जिसका अर्थ है एक ऐसी रेखा खोजना जो केवल ऊपर जाती है, नीचे नहीं) नामक एक सांख्यिकीय ट्रिक का उपयोग कर सकते हैं।
"डबलिंग ट्रिक" (The Doubling Trick): इस सीखने की प्रक्रिया को अत्यधिक कुशल बनाने के लिए, वे "डबलिंग ट्रिक" नामक एक रणनीति का उपयोग करते हैं। कल्पना कीजिए कि आप एक अंधेरे कमरे में खोई हुई चाबी खोजने की कोशिश कर रहे हैं। हर इंच को धीरे-धीरे जांचने के बजाय, आप एक छोटा स्थान देखते हैं, फिर आप जो क्षेत्र देखते हैं उसका आकार दोगुना कर देते हैं, फिर उसे फिर से दोगुना कर देते हैं। यह मॉडल को तेजी से सीखने की अनुमति देता है, जिससे वह अपनी ऊर्जा वहां केंद्रित करता है जहां अनिश्चितता सबसे अधिक है। उन्होंने गणितीय रूप रूप से सिद्ध किया कि यह विधि जैसे-जैसे अधिक डेटा एकत्र किया जाता है, बेहतर होती जाती है, और लोगों के व्यवहार के वास्तविक मानचित्र की ओर अग्रसर होती है।

उन्होंने क्या पाया (और क्या नहीं)

लेखकों ने अपने सिद्धांत का परीक्षण करने के लिए सिमुलेशन (कंप्यूटर प्रयोग) चलाए। उन्होंने पाया कि उनकी विधि लोगों के व्यवहार में बदलाव का अनुमान लगाने में बहुत अच्छी तरह काम करती है। अपने प्रयोगों में, "डबलिंग ट्रिक" का उपयोग करते हुए, मॉडल ने वितरण मानचित्र को बहुत तेज़ी से सीखा, और त्रुटि (अनुमान और सत्य के बीच का अंतर) डेटा एकत्र करने के साथ कम होती गई।

हालाँकि, उनकी सफलता की कुछ सीमाएँ भी हैं। शोध पत्र स्पष्ट रूप से उन स्थितियों पर ध्यान केंद्रित करता है जहाँ लोगों द्वारा लिए जा सकने वाले संभावित कार्य सीमित (finite) हैं (जैसे कि कुछ विकल्पों की सूची: "आवेदन करें," "आवेदन न करें," "पढ़ाई करें," "पढ़ाई न करें")। वे स्वीकार करते हैं कि यदि क्रियाएं अनंत (जैसे कि 0 से 100 के बीच कोई भी संख्या चुनना) होतीं, तो गणित बहुत कठिन हो जाता और यह इस विशिष्ट शोध पत्र के दायरे से बाहर होता। उन्होंने यह भी नोट किया कि जबकि उनकी विधि मानचित्र सीखने के लिए बेहतरीन है, यह मानती है कि समीकरण का "लाभ" वाला हिस्सा मॉडलर (जानने वाले) को ज्ञात है। यदि मॉडलर को इनाम क्या है, यह नहीं पता है, तो विधि को समायोजित करने की आवश्यकता होगी।

महत्वपूर्ण रूप से, शोध पत्र इस विचार के विरुद्ध तर्क देता है कि हमें प्रत्येक व्यक्ति के लिए सटीक, नियत (deterministic) लागत जानने की आवश्यकता है। वे दिखाते हैं कि लागतों को यादृच्छिक मानकर और व्यक्तिगत लागतों के बजाय वितरण (भीड़ की लागत का आकार) को सीखकर, आप वास्तव में मानव व्यवहार की एक विस्तृत श्रृंखला को पकड़ सकते हैं, जिसमें वे लोग भी शामिल हैं जो बिल्कुल भी रणनीतिक रूप से कार्य नहीं कर रहे हैं।

यह क्यों मायने रखता है

यह शोध पत्र एक ऐसे नेविगेटर को एक नए, अधिक सटीक मानचित्र देने जैसा है जो एक ऐसे क्षेत्र के लिए है जो अपना आकार बदलता रहता है। वास्तविक दुनिया में, यह भर्ती एल्गोरिदम से लेकर ऋण अनुमोदन तक सब कुछ के लिए मायने रखता है। यदि कोई बैंक ब्याज दरें निर्धारित करने के लिए एक मॉडल का उपयोग करता है, और उधारकर्ता अपने क्रेडिट स्कोर में हेरफेर करने लगते हैं ताकि वे बेहतर दिख सकें, तो बैंक का मॉडल बेकार हो जाता है। इस शोध पत्र में दी गई विधियों का उपयोग करके, बैंक यह सीख सकता है कि उधारकर्ताओं के धोखाधड़ी करने या सुधार करने की संभावना का "डिस्ट्रीब्यूशन मैप" क्या है, और उन परिवर्तनों के प्रति एक मजबूत मॉडल बना सकता है।

लेखक निष्कर्ष निकालते हैं कि इस मानचित्र को सीखकर, हम एक प्रतिक्रियाशील दुनिया (जहाँ हम मॉडलों को फिर से प्रशिक्षित करते रहते हैं क्योंकि वे टूट जाते हैं) से एक सक्रिय दुनिया (जहाँ हम प्रतिक्रिया का पूर्वानुमान लगाने वाले मॉडल बनाते हैं) की ओर बढ़ सकते हैं। वे सुझाव देते हैं कि यह दृष्टिकोण "परफॉर्मेटिव रिस्क" की जटिल समस्या को पेशेवरों के लिए बहुत अधिक सुलभ बनाता है, जिससे एक अराजक अनुमान लगाने वाले खेल को एक हल करने योग्य गणितीय समस्या में बदल दिया जाता है। हालांकि उन्होंने हर संभव परिदृश्य (जैसे अनंत क्रियाएं) को हल नहीं किया है, उन्होंने यह समझने के लिए एक ठोस, सांख्यिकीय रूप से न्यायसंगत आधार प्रदान किया है कि लोग एक भविष्यवाणी मॉडल के अनुसार कैसे नृत्य करेंगे।

तकनीकी सारांश: रिवर्स कॉज़ल परफॉर्मेटिव प्रेडिक्शन में डिस्ट्रीब्यूशन मैप सीखना

1. समस्या विवरण (Problem Statement)

कई भविष्य कहनेवाला परिदृश्यों में, विशेष रूप से सोशल कंप्यूटिंग और रणनीतिक वातावरण के भीतर, एक प्रेडिक्टिव मॉडल $\theta$ का परिनियोजन (deployment) अंतर्निहित डेटा वितरण को बदल देता है। एजेंट अनुकूल परिणामों (जैसे, नौकरी के आवेदकों द्वारा अपने रेज़्यूमे को अनुकूलित करना, उधारकर्ताओं द्वारा अपनी प्रोफाइल में हेरफेर करना) को प्राप्त करने के लिए मॉडल के जवाब में अपने गुणों या व्यवहारों को बदलते हैं। यह घटना, जिसे परफॉर्मेटिव प्रेडिक्शन (performative prediction) कहा जाता है, एक वितरण बदलाव (distribution shift) पैदा करती है जहाँ परिनियोजन के बाद का वितरण $D(\theta)$ , परिनियोजन से पहले के वितरण से भिन्न होता है।

परफॉर्मेटिव रिस्क को अनुकूलित करने में एक महत्वपूर्ण बाधा यह है कि अभ्यासकर्ताओं के पास अक्सर डिस्ट्रीबशन मैप (distribution map) $D(\theta)$ का ज्ञान नहीं होता है, जो यह बताता है कि मॉडल पैरामीटर्स के एक फलन (function) के रूप में वितरण कैसे बदलता है। मौजूदा दृष्टिकोण या तो इसे डेरिवेटिव-फ्री ऑप्टिमाइज़ेशन के रूप में मानते हैं (जिससे धीमी अभिसरण दर और 'कर्स ऑफ डायमेंशनलिटी' की समस्या होती है) या पैरामेट्रिक माइक्रोफाउंडेशन मॉडल्स पर निर्भर करते हैं जो मिसस्पेसिफाइड (misspecified) हो सकते हैं। यह शोध पत्र एक रिवर्स कॉज़ल (reverse causal) सेटिंग में डिस्ट्रीब्यूशन मैप $D(\theta)$ को सीखने की चुनौती को संबोधित करता है, जहाँ मॉडल केवल एजेंटों के कार्यों के एक सीमित सेट के माध्यम से वितरण को प्रभावित करता है।

2. कार्यप्रणाली (Methodology)

रिवर्स कॉज़ल फ्रेमवर्क (Reverse Causal Framework)
लेखक Somerstep et al. (2024) के कार्य पर आधारित परफॉर्मेटिव सेटिंग को पुनर्गठित करते हैं। वे तर्क देते हैं कि गुणों $(X, Y)$ और कार्यों $A$ के एक्स-पोस्ट (ex-post) वितरण को इस प्रकार विघटित किया जा सकता है:
$D(\theta) = D_A(\theta) \times D(X, Y | A)$
यहाँ, $D(X, Y | A)$ क्रिया (action) के सापेक्ष कोवेरिएट्स और रिस्पॉन्स का कंडीशनल डिस्ट्रीब्यूशन है, जिसे मॉडल $\theta$ के प्रति इनवेरिएंट (invariant) माना गया है। संपूर्ण वितरण बदलाव केवल एजेंटों के कार्यों के मार्जिनल डिस्ट्रीब्यूशन, $D_A(\theta)$ द्वारा संचालित होता है।

रैंडम कॉस्ट्स के साथ माइक्रोफाउंडेशन (Microfoundation with Random Costs)
$D_A(\theta)$ को सीखने के लिए, यह शोध पत्र Coate-Loury श्रम बाजार मॉडल से प्रेरित एक माइक्रोफाउंडेशन फ्रेमवर्क पेश करता है। एजेंट एक लागत-समायोजित उपयोगिता (cost-adjusted utility) को अधिकतम करने के लिए एक क्रिया $a \in \mathcal{A}$ का चयन करता है:
$A \triangleq \arg \max_{a \in \mathcal{A}} B_a(\theta) - C_a$
जहाँ $B_a(\theta)$ मॉडल $\theta$ के तहत क्रिया $a$ का ज्ञात लाभ है, और $C_a$ एक रैंडम कॉस्ट (random cost) है जो उस क्रिया को लेने के लिए एजेंट के व्यक्तिगत वरीयता या बाधा का प्रतिनिधित्व करता है।

व्यापकता (Generality): मानक रणनीतिक भविष्यवाणी मॉडलों के विपरीत, जो नियत (deterministic) लागतों को मानते हैं (जो एजेंटों को विशुद्ध रूप से रणनीतिक व्यवहार तक सीमित करते हैं), रैंडम कॉस्ट्स का समावेश इस ढांचे को गैर-रणनीतिक एजेंटों (non-strategic agents) और किसी भी मनमाने डिस्ट्रीब्यूशन शिफ्ट $D_A(\theta)$ का प्रतिनिधित्व करने की अनुमति देता है, बशर्ते कि बेनिफिट फंक्शन कुछ मोनोटोनिसिटी शर्तों (लेम्मा 2.5) को पूरा करता हो।
सीखने का लक्ष्य (Learning Goal): चूंकि $B_a(\theta)$ ज्ञात है, इसलिए समस्या रैंडम कॉस्ट्स $\{C_a\}$ के वितरण को सीखने में बदल जाती है, जो बदले में $D_A(\theta)$ को निर्धारित करता है।

नॉन-पैरामीट्रिक एस्टीमेशन (Non-Parametric Estimation - Algorithm 1)
लेखक डिस्ट्रीब्यूशन मैप का अनुमान लगाने के लिए एक नॉन-पैरामीट्रिक विधि प्रस्तावित करते हैं:

डेटा संग्रह (Data Collection): शिक्षार्थी मॉडल्स का एक अनुक्रम $\theta_1, \dots, \theta_M$ तैनात करता है और परिणामस्वरूप एजेंट कार्यों के अनुपात $\hat{\pi}(\theta_m)$ को देखता है।
फॉर्मूलेशन (Formulation): किसी एजेंट द्वारा क्रिया $a$ चुनने की संभावना को ज्ञात लाभों द्वारा बाधित कॉस्ट डिफरेंसेस के मल्टीवेरिएट क्युमुलेटिव डिस्ट्रीब्यूशन फंक्शन (CDF) के रूप में व्यक्त किया जाता है।
ऑप्टिमाइज़ेशन (Optimization): कॉस्ट के वितरण का अनुमान कोऑर्डिनेट-वाइज मोंटोन शेप कंस्ट्रेंट्स (coordinate-wise monotone shape constraints) (आइसोटोनिक रिग्रेशन) के साथ एक लीस्ट स्क्वायर्स समस्या को हल करके लगाया जाता है। यह सुनिश्चित करता है कि अनुमानित फंक्शन एक वैध CDF है।
एक्शन एस्टीमेशन (Action Estimation): यदि क्रियाएं सीधे तौरable नहीं हैं, तो पेपर को ऑब्जर्व्ड कोवेरिएट्स से एक्शन प्रोपोर्शन का अनुमान लगाने के लिए मोमेंट-मैचिंग तकनीकों (Lipton et et al., 2018) का उपयोग करने का सुझाव देता है।

ऑप्टिमल एक्सपेरिमेंटल डिज़ाइन (Optimal Experimental Design - Algorithms 2 & 3)
डिस्ट्रीब्यूशन मैप को कुशलतापूर्वक सीखने और परफॉर्मेटिव रिस्क को कम करने के लिए, यह शोध पत्र डबलिंग ट्रिक (doubling trick) का उपयोग करके एक अनुक्रमिक डिज़ाइन एल्गोरिदम प्रस्तावित करता है:

डिज़ाइन डेंसिटी (Design Density): एल्गोरिदम तैनात मॉडल्स के वितरण (डिज़ाइन डेंसिटी) को उन क्षेत्रों पर केंद्रित करने के लिए पुनरावृत्त रूप से अपडेट करता है जहाँ एस्टीमेशन एरर (शोर) सबसे अधिक होता है।
एक्सप्लोरेशन बनाम एक्सप्लोइटेशन (Exploration vs. Exploitation): प्रक्रिया को एपिसोड्स में विभाजित किया गया है। प्रत्येक एपिसोड के भीतर, एक हिस्सा एक्सप्लोरेशन (डिस्ट्रीब्यूशन मैप अनुमान को रिफाइन करने के लिए मॉडल्स को सैंपल करना) के लिए समर्पित है और शेष हिस्सा एक्सप्लोइटेशन (उस मॉडल को तैनात करना जो अनुमानित परफॉर्मेटिव रिस्क को कम करता है) के लिए है।
रिग्रेट मिनिमाइजेशन (Regret Minimization): एल्गोरिदम एक्सप्लोरेशन और एक्सप्लोइटेशन चरणों की लंबाई को संतुलित करता है ताकि कुल रिग्रेट को कम किया जा सके, जिसे तैनात मॉडल्स के रिस्क और इष्टतम परफॉर्मेटिव रिस्क के बीच संचयी अंतर के रूप में परिभाषित किया गया है।

3. मुख्य योगदान (Key Contributions)

माइक्रोफाउंडेशन फ्रेमवर्क: यह पेपर एक रैंडम कॉस्ट वाला माइक्रोफाउंडेशन मॉडल पेश करता है जो रिवर्स कॉज़ल सेटिंग में किसी भी डिस्ट्रीब्यूशन शिफ्ट को रिकवर करने के लिए पर्याप्त व्यापक है, जिसमें रणनीतिक और गैर-रणनीतिक दोनों एजेंट शामिल हैं।
नॉन-पैरामीट्रिक एस्टीमेशन: यह डिस्ट्रीब्यूशन मैप $D_A(\theta)$ को सीखने के लिए एक सांख्यिकीय रूप से न्यायसंगत, नॉन-पैरामीट्रिक विधि (मोंटोन रिग्रेशन के माध्यम से) प्रदान करता है, जो एजेंट व्यवहार के किसी विशिष्ट पैरामेट्रिक रूप को नहीं मानता।
अनुक्रमिक इष्टतम डिज़ाइन (Sequential Optimal Design): लेखक एक डबलिंग ट्रिक पर आधारित एक अनुक्रमिक एल्गोरिदम विकसित करते हैं जो तैनात किए जाने वाले मॉडल्स को अनुकूल रूप से चुनता है। यह एल्गोरिदम डिज़ाइन डेंसिटी के सापेक्ष दक्षता नुकसान को कम करता है और एक विशिष्ट रिग्रेट बाउंड प्राप्त करता है।
अभिसरण गारंटी (Convergence Guarantees): पेपर डिस्ट्रीब्यूशन मैप और परफॉर्मेटिव रिस्क के लिए अभिसरण दरें स्थापित करता है। विशेष रूप, रिग्रेट बाउंड $\tilde{O}(M^{\frac{2\beta+1}{3\beta+1}})$ के रूप में दिखाया गया है, जहाँ $\beta$ डिस्ट्रीब्यूशन मैप की स्मूथनेस पैरामीटर है। यह बाउंड मॉडल पैरामीटर्स $\theta$ के डायमेंशन पर स्वतंत्र है, जो डायमेंशन के साथ स्केल करने वाले तरीकों पर एक लाभ प्रदान करता है।

4. परिणाम (Results)

सैद्धांतिक परिणाम (Theoretical Results):
- यूनिफॉर्म कन्वर्जेंस (Uniform Convergence): हॉल्डर स्मूथनेस और रेगुलर डिज़ाइन पॉइंट्स के तहत, अनुमानित CDF, वास्तविक CDF की ओर $O((\log n / n)^{\alpha/(2\alpha+1)})$ की दर से यूनिफॉर्म रूप से अभिसरित होता है।
- रिग्रेट बाउंड्स (Regret Bounds): अनुक्रमिक एल्गोरिदम $\tilde{O}(M^{1/(1+\eta)})$ का कुल रिग्रेट प्राप्त करता है, जहाँ $\eta$ डिस्ट्रीबेशन मैप एस्टीमेटर के कन्वर्जेंस रेट पर निर्भर करता है। आइसोटोनिक रिग्रेशन ( $\eta=1/3$ ) के लिए, रिग्रेट $O(M^{3/4})$ है।
- तुलना (Comparison): प्रस्तावित रिग्रेट बाउंड मौजूदा बाउंड्स (जैसे, Jagadeesan et al., 2022) की तुलना में निम्न क्रम (lower order) का है जब $\theta$ का डायमेंशन उच्च होता है, क्योंकि डिस्ट्रीब्यूशन शिफ्ट $\theta$ पर केवल एक आयामी (unidimensional) बेनिफिट फंक्शन के माध्यम से निर्भर करता है।
संख्यात्मक प्रयोग (Numerical Experiments):
- लेखक अपने दृष्टिकोण को बेसलाइन के रूप में Coate-Loury श्रम बाजार मॉडल का उपयोग करके मान्य करते हैं।
- सिमुलेशन दर्शाते हैं कि अनुमानित डिस्ट्रीब्यूशन मैप (आइसोटोनिक रिग्रेशन या मोंटोन क्वाड्रेटिक स्प्लाइन्स का उपयोग करके) वास्तविक वितरण की ओर अभिसरित होता है।
- अनुक्रमिक डिज़ाइन एल्गोरिदम सफलतापूर्वक डिज़ाइन डेंसिटी की सापेक्ष दक्षता को शून्य (इष्टतम) की ओर ले जाता है और गैर-अनुकूली (non-adaptive) रणनीतियों की तुलना में परफॉर्मेटिव रिस्क को कम करता है।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि इसका प्राथमिक महत्व परफॉर्मेटिव रिस्क मिनिमाइजेशन को अभ्यासकर्ताओं के लिए अधिक सुलभ बनाना है। एजेंट रिस्पॉन्स डेटा से नॉन-पैरामीट्रिक रूप से डिस्ट्रीब्यूशन मैप सीखने के लिए एक ढांचा प्रदान करके, यह विधि सैद्धांतिक परफॉर्मेटिव प्रेडिक्शन और व्यावहारिक अनुप्रयोग के बीच के अंतर को पाटती है जहाँ डिस्ट्रीब्यूशन शिफ्ट अज्ञात होता है।

लेखक जोर देते हैं कि उनका रिवर्स कॉज़ल फ्रेमवर्क, हालांकि वर्तमान में सीमित एक्शन स्पेस पर केंद्रित है, एक लचीला ढांचा प्रदान करता है जिसे भविष्य के कार्य में मनमाने एक्शन स्पेस (जैसे, जेनेरेटिव मॉडल्स के माध्यम से) तक विस्तारित किया जा सकता है। वे अपने दृष्टिकोण को मौजूदा साहित्य के पूरक के रूप में रखते हैं: यह डेरिवेटिव-फ्री ऑप्टिमाइज़ेशन की धीमी अभिसरण दर से बचता है जबकि कठोर पैरामेट्रिक माइक्रोफाउंडेशन मॉडल्स में निहित मिसस्पेसिफिकेशन के जोखिमों को कम करता है। यह कार्य सुझाव देता है कि रणनीतिक वातावरण में मजबूत निर्णय लेने की दिशा में "डिस्ट्रीब्यूशन मैप" को समझना और सीखना एक महत्वपूर्ण कदम है।